摘要目的:探讨采用机器学习的方法提取放疗计划特征预测调强放射治疗(IMRT)计划复杂度的可行性,为IMRT计划复杂度综合评价提供新方法.方法:选取2022年12月至2023年11月在南京医科大学第一附属医院放疗科进行治疗的3 203例盆腔肿瘤、腹部肿瘤及头颈部肿瘤患者病例资料,所有患者均采用Monaco系统进行计划设计,分别采用Precise和Axesse加速器进行治疗.利用Python软件计算10个放疗计划复杂度评价指标,通过格式转换借助影像组学Pyradiomics工具提取放疗计划文件中的放疗计划特征.通过机器学习的数据清洗、过滤法和嵌入法选择放疗计划特征,利用梯度提升决策树(GBDT)模型分别对10个常用的计划复杂度评价指标构建相应的预测模型,采用拟合优度(R2)值评价模型预测性能,采用五折交叉验证方法检测模型的泛化能力.结果:放疗中Precise加速器与Axesse加速器在平均叶片对面积(LA)、射束形状与标准圆的偏差(PI)、子野形状和面积的变异度(MCS)和叶片运动范围平均值(LT)比较,差异有统计学意义(t=63.894、-63.678、72.582、-48.858,P＜0.01).借助Pyradiomics工具共提取到计划组学特征107个,采用过滤法筛选后剩余38个,嵌入法筛选后复杂度指标特征数为4～11个.MU加权平均射野面积(MFA)、LA、叶片对间距平均值(LGA)等在验证集中的拟合优度较好(R2＞0.970);叶片间距小于某阈值20mm比例(SAS20)在验证集中的拟合优度较差(R2=0.917).五折交叉验证结果显示所有复杂度评价指标的预测准确率均值＞90％.结论:基于影像组学方法提取到的放疗计划特征可以准确预测调强放疗计划的复杂度,有望在提高患者放疗计划个体化质量保证效率、筛选更高质量的放疗计划方面发挥更大价值.